Tokenmaxxing e Tokenminning, la bolletta ferma i token AI
Per mesi il messaggio interno di molte aziende tecnologiche è stato semplice: usare l’intelligenza artificiale il più possibile. In alcuni team questa spinta ha preso anche un nome, “tokenmaxxing”, dal token, l’unità con cui i modelli AI misurano e fatturano input e output. Più richieste, più token. Più token, più costo.
La fase espansiva, però, sembra già entrata in correzione. Meta, Amazon, Uber e Walmart hanno iniziato a rivedere l’uso interno degli strumenti AI, introducendo limiti, rimuovendo classifiche di consumo o spingendo i dipendenti verso soluzioni meno costose. Secondo recenti ricostruzioni, la pressione sui budget AI sta portando diverse grandi aziende a passare dalla logica dell’adozione massiva a una gestione più selettiva dei consumi.
La metrica sbagliata: consumare non significa produrre
Il problema del tokenmaxxing è che misura l’attività, non il valore. Se un team viene incentivato a usare più AI, la metrica più facile da osservare diventa il volume: quante query, quanti prompt, quanti token. Ma il volume non dice se il codice spedito è migliore, se una feature è arrivata prima sul mercato o se il supporto clienti ha risolto più ticket.
È qui che nasce la nuova parola d’ordine: “tokenminning”, abbreviazione di token minimizing. L’idea è usare meno token possibile per ottenere lo stesso risultato, o un risultato migliore. In pratica: scegliere il modello giusto per il task giusto, evitare i frontier model quando basta un modello più economico, tagliare le richieste ridondanti e misurare l’impatto operativo, non la quantità di AI consumata.
Il conto arriva con gli agenti
La svolta è diventata più urgente con l’arrivo degli AI agent nei workflow aziendali. Un chatbot usato per riassumere una riunione può consumare poche centinaia di token. Un agente di coding che lavora per ore su refactoring, test, debugging e generazione di nuove funzionalità può consumarne decine di migliaia in una singola sessione.
Gli agenti AI sono sistemi capaci di portare avanti obiettivi con minore supervisione umana rispetto ai chatbot tradizionali, orchestrando più passaggi e interagendo con altri strumenti software. Questa autonomia aumenta il potenziale produttivo, ma rende anche più difficile controllare costi, qualità e duplicazione del lavoro.
Per questo la governance diventa parte dell’architettura. Non basta distribuire licenze e aspettare un salto di produttività. Servono policy di routing tra modelli, observability sui consumi, budget per team, audit dei prompt ricorrenti e una distinzione netta tra uso sperimentale e workload produttivo.
ROI sotto esame
Il punto non è che le aziende smetteranno di spendere in AI. Anzi, la spesa resta elevata. Il punto è che CFO, COO e CIO chiedono una relazione più chiara tra costo computazionale e output di business. Uber, secondo quanto riportato, ha superato rapidamente le stime interne di spesa AI e ha introdotto limiti mensili per alcuni strumenti di coding. Meta avrebbe segnalato ai dipendenti un aumento esponenziale dei costi, invitando a trovare modalità più efficienti senza ridurre i risultati aziendali.
Il cambio di mentalità è netto. Nella prima fase, l’adozione era il KPI. Nella seconda, il KPI diventa la produttività verificabile: feature rilasciate, incidenti ridotti, tempi di ciclo più brevi, ticket chiusi, qualità del codice, conversioni, margine operativo. Tutto il resto rischia di essere rumore.
Salesforce prova a misurare il lavoro degli agenti
Un segnale interessante arriva da Salesforce, che ha introdotto la metrica Agentic Work Unit, o AWU, definita come unità di attività eseguita da agenti AI in produzione, per esempio la risoluzione di casi cliente, l’aggiornamento di record o l’attivazione di workflow automatici. L’obiettivo è spostare l’attenzione dal consumo tecnico al risultato eseguito sulla piattaforma.
È una direzione che molte imprese stanno studiando: non pagare e valutare l’AI solo in base ai token, ma in base a task completati, automazioni affidabili e outcome misurabili. Resta una questione aperta: non tutte le unità di lavoro hanno lo stesso valore. Aggiornare un campo CRM non equivale a chiudere una vendita o risolvere una crisi operativa. La metrica va collegata ai processi, non trattata come un contatore universale.
La nuova disciplina: AI cost governance
Per le startup e le scaleup il messaggio è chiaro. L’AI non può essere gestita come una voce generica di produttività personale. Va trattata come infrastruttura variabile, con costi marginali reali e possibili picchi improvvisi. Chi sviluppa prodotti AI-native deve disegnare sin dall’inizio una strategia di model selection, caching, prompt compression, rate limiting e valutazione automatizzata degli output.
L’errore più costoso è usare sempre il modello più potente. Per molte attività bastano modelli più leggeri: classificazione, estrazione dati, sintesi semplice, routing, drafting preliminare, controllo formale. I modelli frontier restano utili quando il task richiede ragionamento complesso, coding avanzato, pianificazione multi-step o gestione di contesti lunghi.
La stagione del tokenmaxxing ha avuto una funzione: ha spinto le aziende a provare davvero l’AI nei processi quotidiani. Ora arriva la parte meno spettacolare, ma più importante: capire dove l’AI genera margine e dove brucia budget. Nel mercato enterprise, la maturità non sarà misurata da chi consuma più token, ma da chi riesce a trasformarli in lavoro utile, tracciabile e sostenibile.
